本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

本文提出了一种基于PriorGuided Local (PGL)自监督模型的图像分割方法，该方法利用空间转换来捕捉局部一致性，构建局部一致性损失以最小化拉平后的特征图之间的差异，并在四个公共计算机化断层扫描（CT）数据集的验证中表现出卓越的性能。

Nov, 2020

本文探讨在医学成像中使用自监督深度学习的应用，特别是在存在两种扫描模式的同一主体的情况下。通过使用来自英国生物库的超过20,000个主体的完整身体迪克森技术磁共振（MR）扫描和双能X射线吸收计量（DXA）扫描的大型公开数据集，作者提出了一种针对多模式图像匹配对比框架，并且可以在没有监督的情况下执行自动跨模式扫描配准。最后,作者使用这些配准将DXA扫描的分割图传输到MR扫描中，在不需要地面真实MR样本的情况下，训练可以分割解剖区域的网络。

Jul, 2021

本文研究了两种预训练方法（回归损失和对比损失）对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果，并发现自我监督预训练减少了标记数据的需求，且基于对比损失的预训练的初始化效果更好。

May, 2022

本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在ImageNet上可以获得最佳精度。

Sep, 2022

本研究提出了一种新的自我监督学习框架——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了3D医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

本研究提出了一种新颖的对比学习框架，它将本地化区域对比技术（LRC）融入到现有的半监督自监督预训练方法中，以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验，我们证明在受限注释的情况下将LRC集成到自监督方法中可以显著提高分割性能。此外，我们还表明LRC也可以应用于完全监督的预训练方法以进一步提高性能。

Apr, 2023

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

通过使用自监督算法S³-Net结合Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越SOTA方法的卓越性能。

Aug, 2023

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床MRI和CT扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023